4. Methodologie & Data
4.2 Casestudie analyse
Omdat de diversiteit van het winkelaanbod wordt berekend aan de hand van het totaal aantal winkels en het soort branche, wordt het winkelaanbod gemarginaliseerd tot een index. Hierdoor vervallen de ruimtelijke kenmerken, welke juist belangrijk zijn om de invloed van een divers winkelaanbod te analyseren. Een nadeel van de regressieanalyse is dat de effecten niet voor elke stad in dezelfde mate gelden. Om deze redenen worden er drie casestudies uitgewerkt waar wordt ingezoomd op het winkellandschap, in kaart wordt gebracht hoe hoog de diversiteit van het winkelaanbod is en waar winkelleegstand zich bevindt binnen de stedelijke afbakening.
4.2.1 Selectie van steden
Hoewel steden in principe uniek zijn, is het mogelijk groepen van steden te maken met ongeveer dezelfde kenmerken. Zo heeft Evers et al. (2015) een clusteranalyse van steden gedaan op basis van 26 sociaaleconomische en fysiek ruimtelijke-indicatoren. Uit deze analyse komen vijf stedelijke profielen, zie tabel 4. De vier gemeenten welke niet worden genoemd in de clusteranalyse van Evers et al. (2015) maar wel in dit onderzoek zijn opgenomen, worden
naar rato toegevoegd aan het profiel. De gemiddelde Shannon-Index op 3-cijfer-niveau en het percentage winkelleegstand zijn berekend over alle steden in het profiel en toegevoegd aan de tabel.
Zowel de diversiteit van het winkelaanbod als de winkelleegstand vertonen een logische volgorde bij de verschillende profielen. Om deze verschillen het best in kaart te brengen wordt ingezoomd op drie casestudies met elk een ander profiel. Omdat de Shannon Index weinig variatie heeft tussen profiel D en E en tussen B en C worden er drie gemeenten geselecteerd in profiel A, B en E. Deze hebben de grootste variatie in Shannon Index en geven een goede indruk van de stedelijke profielen. Voor de casestudie zijn Haarlem, Groningen en Heerlen geselecteerd. Deze selectie geeft een goede geografische spreiding. Daarbij moet worden vermeld dat deze cases een indruk geven van de situatie. Uitkomsten kunnen in deze methode niet worden gegeneraliseerd (Yin 2009).
4.2.2 Analyse & Data
Voor elke gemeente is in beeld gebracht hoe winkels zich hebben verplaatst, hoe de diversiteit van het winkelaanbod is verdeeld en waar winkelleegstand zich bevindt. Data voor het maken van deze kaarten
komen van het LISA databestand. Dit bestand bevat XY coördinaten voor alle winkels in Nederland van 2008 tot 2014. Deze winkels zijn gelabeld door middel van de Standaard Bedrijfsindeling (SBI). Omdat deze codering te veel groepen heeft en het Nederlands winkellandschap niet duidelijk in beeld kan brengen, wordt er onderscheid gemaakt in drie koopmotieven. Zoals benoemd in hoofdstuk 2 geven deze
koopmotieven de Nederlandse winkelgebiedstypering goed weer. Er zijn drie koopmotieven te onderscheiden volgens Evers et al. ( 2005). Ten eerste Fun-shoppen, recreatief winkelen. Deze winkels vind je vooral in de centrale winkelgebieden, waarbij mensen bereid zijn een grotere afstand af te leggen voor een winkel. Ten tweede Run-shoppen, dit is het doen van boodschappen waarbij het vooral om dagelijkse winkels gaat zoals de supermarkt of de slager. Dit gebeurt veel dichter bij de woning zoals in een nabijgelegen winkelcentrum. Tot slot het Doel-shoppen. Dit betekent doelgericht aankopen doen, zoals het kopen van een keuken of meubels, maar bijvoorbeeld het aanschaffen van hoortoestellen valt hier ook onder. Deze winkels hebben het grootste vloeroppervlak en bevinden zich veelal op perifere locaties. De SBI-codes zijn gekoppeld aan de drie koopmotieven om zo de casestudies goed te vergelijken, hierbij is de definiëring van Evers et al. (2005) gebruikt. Een overzicht van de gebruikte indeling staat in bijlage C. Helaas heeft dit onderscheid in koopmotieven ook een nadeel (Evers et
al. 2005). Door branchevervaging is het moeilijker een
winkel toe te schrijven aan één specifiek koopmotief. Zo is het mogelijk om bij Albert Heijn elektrische apparatuur te kopen (Doel) terwijl deze is gedefinieerd als dagelijkse winkel (Run). Hetzelfde geldt voor een groot aantal andere branches waar deze vermenging plaatsvindt. Toch is dit onderscheid noodzakelijk om het winkellandschap duidelijk in beeld te brengen.
De gemeenten worden opgedeeld in
postcodegebieden. Per postcodegebied wordt de Shannon-Index en de winkelleegstand in verkooppunten berekend voor 2008 en 2014. De uitkomsten worden naast elkaar gelegd om te toetsen of postcodegebieden met een lagere diversiteit meer winkelleegstand ondervinden. Vervolgens wordt aan de hand van de XY coördinaten en de verdeling in koopmotieven het winkellandschap in 2008 en 2014 in beeld gebracht en vergeleken. Hierdoor kan de ruimtelijke spreiding van winkels worden onderzocht aan de hand van koopmotieven wat in de regressieanalyse niet mogelijk is. Een belangrijke toevoeging van het LISA databestand is het winkeloppervlak. Oppervlakte is een belangrijke indicator voor het winkellandschap. Een Ikea-vestiging is van een heel andere orde dan een Blokker. De grootte van de stip is gerelateerd aan de grootte van de winkel waardoor de indicator oppervlakte per winkel wordt meegenomen.
Tabel 4:profielen van steden
Methodologie & Data| 35
Noten
1. Aanvangs- en fricitieleegstand
(maximaal 1 jaar), langdurige leegstand (tussen 1 en 3 jaar) structurele leegstand (3 of meer achtereenvolgende
jaren).
² De Gauss-Markov assumpties worden vermeld in bijlage D
5. Resultaten
In dit hoofdstuk worden de resultaten van de
kwantitatieve en de kwalitatieve analyses uiteengezet. Allereerst wordt ingegaan op de regressieanalyse en vervolgens wordt afgesloten met de casestudie analyse.
5.1 Regressieanalyse
Tabel 5 en 6 bevatten de uitkomsten van vergelijking 4.4. Om vast te stellen of diversiteit invloed heeft op winkelleegstand, is in model 1 tot en met 3 diversiteit toegevoegd op drie niveaus (groep, hoofdbranche en branche), zie paragraaf 4.1 voor de uitgebreide beschrijving. In model 4 tot en met 8 zijn alle drijvende krachten stapsgewijs toegevoegd om zo de relatie per drijvende kracht op winkelleegstand vast te stellen, zie hoofdstuk 3 voor de verwachtingen van elke drijvende kracht. In alle modellen is gecorrigeerd voor tijdseffecten en voor de grootte van het winkelgebied. De volledige uitkomsten zijn te vinden in bijlage F. In model 1 tot en met 3 is de diversiteit van het winkelaanbod significant op 99%. In de drie modellen heeft de diversiteit een negatieve coëfficiënt. Dit geldt zowel voor het aantal groepen, hoofdbranches als branches. Dit betekent dat hoe lager de diversiteit van het winkelaanbod, des te hoger het percentage winkels dat leeg staat. Dit is in lijn met de diversiteitstheorieën (Gleaser 1992; Quigley 1998) waarbij diversiteit een verklaring is voor economische groei. Waar Wakfield & Baker (1998) en Teller & Elms (2010) concludeerden dat een divers winkelaanbod aantrekkelijk is voor consumenten op productniveau, laat dit model zien dat diversiteit, op een hoger schaalniveau, invloed heeft op de aantrekkelijkheid van het winkelgebied door het effect op winkelleegstand. In model 1 tot en met 3 is een verschil te zien in het effect van diversiteit op de drie meetniveaus. Met een R-squared van 0.606, verklaart de Shannon Index op branche-niveau het meest ten opzichte van de Shannon Index op groep- en
hoofdbranche-niveau. Hoewel dit verschil minimaal is, is het effect groter als de coëfficiënten worden vergeleken (-1.512 ten opzichte van -0.583). Dit verschil is te verklaren vanuit het feit dat de onderzochte steden alle winkels op groep-niveau bevatten (5 soorten). Naarmate het aantal soorten winkels dat wordt gemeten toeneemt, is de kans groter dat niet elke soort winkel voorkomt in een stad (hoofdbranches 17 soorten en branches 137 soorten). Hierdoor wordt het verschil in diversiteit tussen steden groter waardoor het effect van diversiteit op leegstand toeneemt. Zie ook de standaarddeviatie in tabel 3 (beschrijvende statistiek) in paragraaf 4.1.2. Omdat de Shannon index in tabel 5 het meest verklaart op branche-niveau en significant is op 99% wordt in model 4 tot en met 8 de Shannon Index op branche-niveau gebruikt voor de diversiteit van het winkelaanbod.
Tabel 6 bevat model 4 tot en met 8 waarbij de drijvende krachten stapsgewijs zijn toegevoegd. In model 4 wordt leegstand verklaard aan de hand van het winkelaanbod in een stad. Locatiefactoren zoals een historische binnenstad of het aantal filiaalbedrijven spelen een belangrijke rol bij de aantrekkelijkheid van een winkelgebied. Na toevoeging van locatiefactoren en voorkeuren van winkeliers in model 4 presteert het model goed met een R-squared van 0.477. Alle variabelen zijn significant op 99%, behalve culturele en ontspannings-voorzieningen. Deze hebben geen significante invloed op winkelleegstand. Een stad die minder bioscopen, musea, bibliotheken of theaters bevat, heeft niet meer winkelleegstand. Een stad kan nog steeds aantrekkelijk zijn door deze voorzieningen te bieden, maar winkelen wordt niet snel gecombineerd met een bibliotheekbezoek of een avond naar de bioscoop. Diversiteit van het winkelaanbod heeft in dit model het meeste effect op winkelleegstand met een coëfficiënt van -3.094. In mindere mate heeft ook het aantal filiaalbedrijven een negatief effect op de winkelleegstand, dit komt, zoals aangegeven in
Resultaten | 37
het theoretisch kader, doordat filiaalbedrijven steeds meer winkelmeters opnemen (DTNP 2010, Evers et al. 2011) en een hogere huur kunnen betalen op de beste locaties waar minder leegstand is (Nozeman et al. 2012; Platform31 2014). Voor de consument betekent filialisering herkenning en vertrouwen van bekende winkelketens (Platform31 2014). Een aantrekkelijke binnenstad in de vorm van historische panden heeft ook een negatief effect op winkelleegstand. Dit komt overeen met Marlet (2009) en Nozeman et al. (2012) waarbij de consument sfeer belangrijk vindt en een historische stad als aantrekkelijker wordt gezien. Dit effect zou in de toekomst nog sterker kunnen worden door de toename van Fun-shoppen in het oude centrum. Dit is in lijn met de effecten van
horecavoorzieningen. Des te hoger dit percentage des te lager is de winkelleegstand. Deze effecten zijn in lijn met de theorie van Glaeser et al. (1992) waarbij een aantrekkelijke stad een variëteit aan diensten heeft. Wanneer een stad aantrekkelijker is in de vorm van voorzieningen, is deze ook aantrekkelijk voor winkeliers en dat heeft zijn uitwerking op winkelleegstand.
Model 5 geeft de resultaten weer na toevoeging van het besteedbaar inkomen. Met het toevoegen van deze variabele stijgt de verklarende kracht van het model. Het effect van diversiteit op winkelleegstand daalt ten opzichte van model 4. Het besteedbaar inkomen heeft na diversiteit het grootste effect op winkelleegstand Tabel 5: Pooled OLS per diversiteitsniveau met tijds- en gebiedseffecten
met een coëfficiënt van -1.657. Daarmee kan de ‘Wet
van Engel’, het verband tussen inkomen en de reële
uitgaven, worden bevestigd (Heertje 1962; Blaas 2009). Omdat het inkomen hoger is, stijgen de uitgaven van consumentengoederen, wat zich vertaalt naar een lagere winkelleegstand. Opgemerkt moet worden dat het besteedbaar inkomen op een ander schaalniveau wellicht een andere uitkomst kan geven, bijvoorbeeld door gebruik te maken van het verzorgingsgebied in plaats van de gemeente. Helaas is deze informatie niet beschikbaar. Het toevoegen van het besteedbaar inkomen aan het model doet weinig met de significantie van de andere variabelen.
In model 6 zijn de economische factoren toegevoegd. Zowel het BRP als het aandeel werklozen zijn significant van invloed op winkelleegstand en hebben een kleine positieve werking op de verklarende factor van het model, die stijgt naar 56%. Hoe hoger het BRP, hoe lager de leegstand. Dit komt overeen met de theorie van Blaas (2009) waarbij de stand van de economie invloed heeft op de bestedingen van de consument en zo invloed heeft op winkelleegstand. Dit effect is in dit model minimaal met een coëfficiënt -0.015. Interessant is de negatieve coëfficiënt van het aandeel werkloosheid in een stad. Verwacht werd dat winkeliers zich niet zouden vestigen in steden waar de werkloosheid hoger is, wat vervolgens leidt tot een hogere winkelleegstand. Deze uitkomst is het tegenovergestelde van de resultaten van Groen (2013) en Mank (2012). Een verklaring hiervoor zou kunnen zijn dat grotere steden een hoger aandeel werkloosheid hebben, maar dat dit wordt gecompenseerd door meer inwoners en dus een groter verzorgingsgebied. Economische factoren verklaren maar een klein deel van de leegstand. Locatiefactoren verklaren beduidend meer.
Model 7 bevat de demografische kenmerken. De verklarende factor van het model groeit hierdoor naar een R-squared van 0.588 Omdat de variabele krimpregio binair is, is een dummyvariabele aangemaakt die aangeeft of er wel of geen sprake is van krimp. Een krimpregio is in dit model op geen enkel niveau significant. Dit is in contrast met de theorie van Van Gool (2007) Ossokina et al. (2016) waar krimp juist zorgt voor meer winkelleegstand. Dit verschil kan komen door het lage aandeel krimpregio’s in de dataset en het feit dat in deze studies bevolkingsdichtheid wordt gebruikt in plaats van een dummyvariabele. Tevens vindt krimp nog steeds plaats. In de toekomst
zou dit verband er anders uit kunnen zien. De
toevoeging van grijze druk geeft een significant effect. Steden met meer inwoners boven de 65 jaar hebben meer leegstand. Omdat het bestedingspatroon van ouderen minder is (Locatus 2011; RetailNews 2015), zorgt dit voor een toename in winkelleegstand. In het laatste model zijn alle variabelen toegevoegd, waaronder technologische factoren. De verklarende factor van het model komt uiteindelijk op 60,6%. Dit percentage is redelijk hoog aangezien er volgens de literatuur meer variabelen van invloed kunnen zijn op winkelleegstand. In het laatste model is de diversiteit van het winkelaanbod significant op 99%. Met een coëfficiënt van -1.512 is deze het minst van alle modellen. Zoals verwacht door Weltevreden (2007) is het percentage winkelleegstand hoger als zich meer internetgevoelige branches in een stad bevinden. Vanuit de detailhandelslevenscyclus kan dit worden verklaard vanuit het feit dat door nieuwe concepten oude winkel-concepten verdwijnen (Lowry 1997; Nicoleta & Christian 2009). Denk aan videotheken of boekenwinkels. De toevoeging van internetgevoeligheid zorgt ervoor dat het aantal horecavoorzieningen geen significante invloed meer heeft op winkelleegstand. Een stad die meer restaurants of cafés bevat heeft niet meer winkelleegstand. Deze resultaten doen vermoeden dat de beleving van het winkelen in de vorm van horeca, cultuur en ontspanning minder van invloed is dan wordt gesuggereerd door onder andere Aalders (2013), Platform31 (2014) en Van Tilburg (2015). De aanwezigheid van deze voorzieningen kan de aantrekkelijkheid van een stad verhogen, maar meer van deze voorzieningen zorgt niet voor minder leegstand, tenzij een oud winkelpand wordt getransformeerd naar een andere functie. Dan heeft dit direct invloed op de winkelleegstand. Het stapsgewijs toevoegen van de variabelen laat zien dat winkelleegstand het meeste wordt verklaard vanuit het winkelaanbod. Externe effecten zoals economische- en demografische kenmerken verklaren maar een klein deel van de winkelleegstand. Een divers winkelaanbod heeft volgens dit model zeker invloed. Wel moet vermeld worden dat bovenstaande uitkomsten alleen een relatie tussen diversiteit en winkelleegstand aantonen. De causaliteit wordt niet getoetst. Het is hierdoor onduidelijk of winkelleegstand wordt veroorzaakt door minder diversiteit of dat minder diversiteit zorgt voor meer winkelleegstand.
Resultaten | 39
Robuustheid
Om te controleren of de uitkomsten van de regressieanalyse robuust zijn, zijn er verschillende testen uitgevoerd. De Breush-Pagan test is uitgevoerd om te controleren voor homoscedasticiteit. De uitkomst van deze test impliceert de mogelijke aanwezigheid van heteroscedasticiteit in het model. Door gebruik te maken van heteroscedasticity-robust standard errors1 is er geen sprake meer van heteroscedasticiteit (Adkins & Hill 2011). De test voor omitted variable bias geeft geen probleem aangezien de nulhypothese2 niet wordt verworpen voor de Ramsey RESET test. Er is geen sprake van multicollineariteit3 in het model. Omdat de dataset maar uit 290 observaties bestaat is het van belang om te testen of de residuen normaal verdeeld zijn (Adkins & Hill 2011). Door middel van de Shapiro-Wilk test is vastgesteld dat de residuen normaal verdeeld zijn bij een betrouwbaarheidsinterval van 95%.
Noten
1. Standaard houdt STATA rekening met homoscedasticiteit. Om te toetsen voor heteroscedasticiteit wordt gebruik gemaakt van de optie robust in het regress commando. ² De nulhypothese is dat het model geen
omitted-variables bias heeft. De p-waarde is
hoger dan 0.05 (significant op 95%). 3 Door de VIF test (Variance Inflation Factors)
uit te voeren is geconstateerd dat er geen waardes boven de 10 of onder de 0.10 in dit model zijn.
Resultaten | 41
5.2 Casestudie analyse
Uit de regressieanalyse kan geconcludeerd worden dat steden met een hogere Shannon Index een lagere winkelleegstand vertonen. Omdat de Shannon Index niet altijd even gemakkelijk te interpreteren is, worden er op lokale schaal drie casestudies met verschillende profielen uitgewerkt: Haarlem, Groningen en Heerlen. Hier wordt ingezoomd op het winkelaanbod waarbij de koopmotieven Run, Fun en Doel centraal staan. Zie paragraaf 2.2 voor een uitgebreide beschrijving van deze koopmotieven.
5.2.1 Haarlem
Winkelaanbod & winkelstructuur
Haarlem behoort volgens Evers et al. (2015) tot profiel A, een bruisende stad in een sterke regio. In Noord-Holland behoren ook Alkmaar en Amsterdam tot dit profiel. Haarlem heeft een regionale functie waarbij 45% van de omzet in niet-dagelijkse artikelen afkomstig is van buiten de gemeente (Gemeente Haarlem 2016). Ook op het gebied van demografische en economische groei doet Haarlem het goed. Het winkelaanbod is divers terwijl de winkelleegstand laag is, zie tabel 4 in paragraaf 4.2.2. In Haarlem zijn veel winkels in vooroorlogse panden gevestigd, waardoor de historische binnenstad sfeervol aanvoelt en het een aantrekkelijke stad is om te winkelen. Uit de dataset, gebruikt in dit onderzoek, blijkt dat Haarlem een hoge groene druk heeft, dat het aandeel filiaalbedrijven relatief laag is en dat het aandeel winkelmeters per 1000 inwoners ver onder het landelijk gemiddelde ligt. Ook het besteedbaar inkomen is relatief hoog (CBS 2015). De regionale functie van Haarlem wordt voornamelijk vervuld door de binnenstad (postcode 2011 in figuur 12). Dit is goed te zien door het hoge aandeel Fun-winkels in figuur 10 en 11 en het hoge aandeel Mode & Luxe winkels in tabel 7. Sinds 2004 is het aantal winkels afgenomen met 10%, maar is het aandeel winkelvloeroppervlakte gegroeid met 20% (Gemeente Haarlem 2016). Deze schaalvergroting is goed te zien in figuur 11. Haarlem vertoont
overeenkomsten met de theorie van Christaller (1933), waarbij de winkelstructuur hiërarchisch is opgebouwd. De binnenstad is het belangrijkste winkelgebied dat wordt ondersteund door kleinere winkelcentra zoals Schalkwijk (postcode 2037) in het zuiden en het Marsmanplein (postcode 2025) in het noorden. Tevens heeft Haarlem diverse kleine winkelgebieden met veel Run-winkels en een cluster
met Doel-winkels in het oosten (figuur 12). Sinds 2004 is de leegstand in Haarlem sterk
toegenomen, zie figuur 9. Deze ligt nu op het niveau van het landelijk gemiddelde. Daarentegen is de structurele leegstand veel lager dan het landelijk gemiddelde (Locatus 2017a). Het hoogste percentage winkelleegstand is te vinden in het zuiden bij winkelcentrum Schalkwijk. Opvallend is dat dit postcodegebied ook een hoge Shannon Index heeft. Postcodegebieden welke geen leegstand hebben bevatten weinig winkels, behalve het postcodegebied ten oosten van Haarlem. Dit zijn vooral Doel-winkels van sterke winkelketens zoals Ikea en Gamma. Waarschijnlijk doet dit postcodegebied het goed vanwege het lage aanbod aan dit soort winkels in de regio. Een Ikea heeft een grote reikwijdte en zorgt voor een hoge toestroom aan consumenten. Het meest diverse winkelgebied in Haarlem is de binnenstad. In 2013 was Haarlem ook uitgeroepen tot de beste en meest gevarieerde winkelstad van Nederland (CBS 2013). Samen met winkelcentrum Cronjestraat (postcode 2021) domineren deze winkelgebieden het winkellandschap van Haarlem. Andere winkelgebieden met een hoge diversiteit zijn winkelcentrum Schalkwijk in het zuiden en het Marsmanplein in het noorden (figuur 10). Deze ondersteunende winkelcentra kenmerken zich door een hogere diversiteit, gemeten in de Shannon Index. Gebieden met een lagere diversiteit zijn te vinden in het oosten bij de Industrieweg (postcode 2031) en de Westergracht in het zuidwesten (postcode 2014). Interessant om te zien is dat een divers winkelaanbod volgens de Shannon Index niet één op één zorgt voor een lagere winkelleegstand. Wel hebben postcodegebieden met een hogere Shannon